IMU 센서 기반 지형 및 속도변화에 강인한 GAIT Phase Detection 알고리즘 개발

Abstract

본 연구는 외부 환경의 지형 및 속도변화에 강인한 GAIT Phase 판단 알고리즘을 개발하는 것을 목적으로 한다. GAIT Phase 판단에 대한 연구들에는 Time-Based Estimation(TBE) 방식부터, 고전적인 Machine Learning(ML) 기법을 사용한 방식, 그리고 최근 발달한 Artificial Neural Network(ANN)을 이용한 방식 등이 있다. 그 동안의 연구에서 개발된 모델들은 일정한 속도 및 지형 등의 제한조건 (예, 트레드밀 등) 내에서 만족할 만한 성능을 보이지만, 지형이 변화한다거나, 속도가 불규칙하게 변화하는 등 실제 사람이 활동하는 복잡한 환경변화에서는 신뢰도가 낮아지는 문제가 있었다. 본 연구에서는 위 문제를 해결하기 위해 Inertial Measurement Unit(IMU) 센서 기반의 1D Convolution Kernel 을 적용한 Convolution Neural Network(CNN) 모델을 제안한다. 제안된 모델의 Feature Set 은 IMU 센서의 Linear Acceleration, Rotational Velocity, Quaternion 정보로 구성하였으며, Labeling 은 Force Sensitive Resistor (FSR) 기반의 Insole 센서 정보를 이용하여 GAIT Phase 를 0~100%로 구성하였다. 실험 조건으로는 Level Walking (LW), Stair Ascent (SA), Stair Descent (SD) 3 가지 지형을 활용하였으며, 70, 90, 110, 130 Bit Per Minute (BPM)의 메트로놈 소리를 따라 피실험자가 보행하도록 하였다. 다양한 ANN 모델을 학습시켜본 결과, CNN 모델이 복잡한 환경변화 대처능력, 계산 속도, 모델 성능 (Root Mean Square Error , RMSE), 그리고 IMU 센서 개수 측면에서 가장 강력한 성능을 보였다. 추후에는 본 연구에서 개발된 GAIT Phase Detection 알고리즘을 외골격 로봇에 적용하여 다양한 환경에서 보행을 제어하고, 성능을 검증할 것이다.